0基础在Windows本地搭建“DeepSeek”私人知识库 (附源码) 

[保姆级教程] 0基础在Windows本地搭建“DeepSeek”私人知识库 (附源码) 在这个AI爆发的时代，你是否想过把电脑里的几百份PDF、Word文档变成一个可以随时提问的“超级大脑”？而且完全免费、不用联网、数据不出本地！ 今天手把手教大家利用 Ollama + DeePseek + python 搭建一个本地 RAG（检索增强生成）系统。不用怕代码，照着做就行！ 🛠️ 第一步：准备环境 (Windows篇) 我们需要两个核心工具：Ollama（运行AI的大脑）和 Python（处理文档的管家）。 1. 安装 Ollama

• 下载：访问 Ollama官网 下载 Windows 版本并安装。
• 验证：安装完成后，打开电脑的“命令提示符”（按 Win+R，输入 Cmd，回车）。
• 拉取模型：在黑框里输入以下命令并回车（这一步需要联网下载模型，约 9GB）：

ollama pull DeepSeek-r1:14b复制代码

💡 注意：如果不差显存（12G以上）用 14b 效果最好；如果电脑配置一般（8G/16G内存），建议把命令换成 ollama pull deepseek-r1:7b，速度会快很多。 2. 安装 Python

• 下载：访问 Python官网 下载最新的 Python 3.10 或 3.11 版本。
• 关键一步：安装界面最下方一定要勾选 "Add Python to PATH" (添加到环境变量)，然后点 Install Now。

📂 第二步：搭建项目文件夹 (把资料喂给AI) 这一步最关键！我们要把资料整理好，放在项目文件夹里。 DeepSeek 不挑食，你可以把文件直接散乱地堆在根目录，也可以建各种子文件夹分类存放，程序会自动把它们全部扫描出来。 1. 推荐的目录结构 在桌面上新建一个文件夹叫 MyLocalAI，建议参照下面的结构存放文件：

MyLocalAI/  (你的项目主文件夹)│├── bUIld_kb.py          <-- (等下要创建的代码文件1，负责吃书)├── chat_rag.py          <-- (等下要创建的代码文件2，负责聊天)│└── 📂 知识库 (你可以随便起名，把所有资料丢这里)    │    ├── 📂 2024工作总结/    │   ├── 年终汇报.PPTx    │   └── 部门会议纪要.docx    │    ├── 📂 行业研报/    │   ├── AI发展趋势.pdf    │   └── 竞品分析.pdf    │    └── 📂 财务数据/        └── Q4预算表.xlsx复制代码

2. 支持的文件类型 你可以随意往里面丢以下格式的文件：

• PDF (.pdf)：各种论文、扫描件（必须是文字版，纯图片PDF读不了）。
• Word (.docx)：工作文档、合同、论文。
• PPT (.pptx)：汇报胶片、课件。
• Excel (.xlsx)：简单的表格数据（程序会转成文本读取）。

💻 第三步：安装依赖库 我们需要安装一些 Python 插件来处理文件。 在 MyLocalAI 文件夹的空白处，按住 Shift 键 + 点击鼠标右键，选择 “在此处打开 Powershell 窗口” (或者CMD)。 复制下面这行命令粘贴进去，回车：

pip install numpy faiss-cpu pandas pypdf python-docx python-pptx fastembed tqdm ollama openpyxl -i https://pypi.tuna.tsinghua.edu.cn/simple复制代码

(这里使用了清华镜像源，下载速度飞快) 📝 第四步：创建代码文件 (直接复制) 我们需要在文件夹里创建两个 Python 文件。 方法：新建一个文本文件 -> 粘贴代码 -> 保存 -> 重命名为 xxx.py。 文件 1：build_kb.py (构建知识库) 这个脚本负责扫描刚才那些文件夹，把文档“嚼碎”并存成AI能读懂的向量格式。

import osimport gcimport shutilimport loggingimport numpy as npimport faissimport pandas as pdfrom pypdf import PdfReaderfrom docx import Documentfrom pptx import Presentationfrom fastembed import TextEmbeddingfrom tqdm import tqdm# =========================# ⚙️ 配置区域# =========================# 设置国内镜像，解决下载慢的问题os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"logging.getLogger("pypdf").setLevel(logging.ERROR)BASE_DIR = "." # 扫描当前目录INDEX_FILE = "kb.index"CHUNKS_FILE = "kb_chunks.npy"BATCH_SIZE = 256# =========================# 📄 文档加载器# =========================def load_pdf(path):    try:        reader = PdfReader(path)        return "\n".join([page.extract_text().strip() for page in reader.pages if page.extract_text()])    except: return ""def load_docx(path):    try:        doc = Document(path)        return "\n".join([p.text.strip() for p in doc.paragraphs if p.text.strip()])    except: return ""def load_pptx(path):    try:        prs = Presentation(path)        out = []        for slide in prs.slides:            for shape in slide.shapes:                if hasattr(shape, "text_frame"):                    for p in shape.text_frame.paragraphs:                        if p.text.strip(): out.APPend(p.text.strip())        return "\n".join(out)    except: return ""def load_xlsx(path):    try:        return pd.read_excel(path).to_markdown(index=False)    except: return ""def split_text(text, size=500, overlap=50):    res = []    for i in range(0, len(text), size - overlap):        chunk = text[i:i + size].strip()        if len(chunk) > 20: res.append(chunk)    return reSDef scan_files():    print("📂 正在扫描当前目录及子文件夹下的文档...")    chunks = []    supported_ext = ['.pdf', '.docx', '.pptx', '.xlsx']    files = []    for ROOT, _, filenames in os.walk(BASE_DIR):        for f in filenames:            if any(f.lower().endswith(ext) for ext in supported_ext):                files.append(os.path.join(root, f))    print(f"📄 找到 {len(files)} 个文件，开始解析...")    for file_path in tqdm(files, desc="解析文件"):        content = ""        ext = os.path.splitext(file_path)[1].lower()        if ext == '.pdf': content = load_pdf(file_path)        elif ext == '.docx': content = load_docx(file_path)        elif ext == '.pptx': content = load_pptx(file_path)        elif ext == '.xlsx': content = load_xlsx(file_path)        if content:            # 在内容前加上文件名，方便AI知道出处            file_name = os.path.basename(file_path)            chunk_list = split_text(content)            chunks.Extend([f"【来源：{file_name}】\n{c}" for c in chunk_list])    return chunks# =========================# 🚀 主程序# =========================def main():    # 1. 扫描文件并制作切片    # 如果想强制重新扫描，删除目录下的 kb_chunks.npy 即可    if os.path.exists(CHUNKS_FILE):        print("✅ 检测到旧缓存，直接加载 (如需更新请删除 kb_chunks.npy)...")        chunks = np.load(CHUNKS_FILE, allow_pickle=True).tolist()    else:        chunks = scan_files()        if not chunks:            print("❌ 没有找到有效内容，请检查文件夹里有没有文档！")            return        np.save(CHUNKS_FILE, np.array(chunks, dtype=object))    print(f"📦 共生成 {len(chunks)} 个文本块，准备向量化...")    # 2. 初始化模型    model_name = "BAAI/bge-small-zh-v1.5"    try:        embedder = TextEmbedding(model_name=model_name)    except:        print("⚠️ 模型加载受阻，尝试自动修复...")        cache_dir = os.path.join(os.getcwd(), ".fastembed")        if os.path.exists(cache_dir): shutil.rmtree(cache_dir)        embedder = TextEmbedding(model_name=model_name)    # 3. 向量化并建立索引    print("🚀 正在将文本转化为向量 (如果是第一次运行，会自动下载模型，请耐心等待)...")    embeddings = list(embedder.embed(chunks))    embeddings_np = np.array([list(e) for e in embeddings]).astype('float32')    dim = embeddings_np.shape[1]    index = faiss.IndexFlatIP(dim)    index.add(embeddings_np)    faiss.write_index(index, INDEX_FILE)    print(f"🎉 知识库构建完成！索引文件: {INDEX_FILE}")if __name__ == "__main__":    main()复制代码

文件 2：chat_rag.py (开始对话) 这个脚本负责连接 Ollama 和刚才建好的知识库。

import osimport faissimport numpy as npimport ollamafrom fastembed import TextEmbedding# =========================# ⚙️ 配置区域# =========================os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"INDEX_FILE = "kb.index"CHUNKS_FILE = "kb_chunks.npy"# ⚠️ 如果你安装的是 7b 模型，请把下面这行改成 "deepseek-r1:7b"OLLAMA_MODEL = "deepseek-r1:14b" EMBED_MODEL = "BAAI/bge-small-zh-v1.5"def main():    if not os.path.exists(INDEX_FILE):        print("❌ 没找到知识库！请先运行 build_kb.py")        return    print("⏳ 正在加载大脑...")    index = faiss.read_index(INDEX_FILE)    chunks = np.load(CHUNKS_FILE, allow_pickle=True).tolist()    embedder = TextEmbedding(model_name=EMBED_MODEL)    print("\n" + "="*40)    print(f"🤖 本地AI知识库助手 ({OLLAMA_MODEL}) 已启动")    print("💡 输入 'exit' 退出")    print("="*40)    while True:        query = input("\n🙋 你的问题: ").strip()        if query.lower() in ['exit', 'quit']: break        if not query: continue        # 1. 检索        print("🔍 正在翻阅资料...", end="\r")        query_vec = list(embedder.embed([query]))[0]        D, I = index.search(np.array([query_vec], dtype="float32"), k=4)        context = []        for idx in I[0]:            if idx >= 0: context.append(chunks[idx])        # 2. 生成        Prompt = f"""        基于以下资料回答问题。如果资料里没有提到，就说不知道，不要瞎编。        【资料】：        {"\n---".join(context)}        【问题】：{query}        """        print("\n🤖 DeepSeek 回答：")        try:            stream = ollama.chat(model=OLLAMA_MODEL, messages=[{'role': 'user', 'content': prompt}], stream=True)            for chunk in stream:                print(chunk['message']['content'], end='', flush=True)            print("\n")        except Exception as e:            print(f"❌ 也就是这里出错了: {e}")            print("请检查 Ollama 是否已在后台运行！")if __name__ == "__main__":    main()复制代码

▶️ 第五步：运行起来！ 1. 构建知识库 在命令窗口输入：

python build_kb.py复制代码

• 第一次运行会下载一个约 100MB 的向量模型（已配置国内镜像，很快）。
• 你会看到进度条在扫描你的文档。
• 显示 🎉 知识库构建完成！ 就成功了。

2. 开始聊天 在命令窗口输入：

python chat_rag.py复制代码

• 程序启动后，输入你的问题，比如：“总结一下Q4预算表的内容”、“2024年工作汇报里提到了什么”。
• 你会发现 AI 回答的内容完全是基于你文件夹里的文件！

❓ 常见问题 (FAQ) Q: 运行 build_kb.py 报错说 SSL 连接错误？ A: 这是网络问题。代码里已经加了 HF_ENDPOINT 镜像，如果还不行，尝试关掉你的科学上网工具，或者切换手机热点试试。 Q: 聊天时电脑非常卡，出字很慢？ A: 你的模型可能太大了。 去 CMD 运行 ollama rm deepseek-r1:14b 删除大模型。 运行 ollama pull deepseek-r1:1.5b (这个超快，渣机也能跑)。 记得修改 chat_rag.py 里的配置代码。 Q: 我往文件夹里加了新文档，AI 怎么不知道？ A: 只要删掉文件夹里的 kb_chunks.npy 和 kb.index 这两个旧文件，重新运行 python build_kb.py 即可重建索引。 教程结束，祝大家搭建愉快！